What Does It Take to Detect an AI Agent? Minimal Feature Sets for Behavioral Detection under Browser Automation· 检测AI代理的关键特征
Bot detectors deployed at scale treat traffic as binary: human or bot. This assumption breaks when AI agents browse the web through browser automation, a traffic class that is neither and that binary classifiers structurally cannot represent. We present a three-class detection framework distinguishing humans, bots, and AI agents, and show that the binary-vs-agent confusion is architectural: a binary human-vs-bot detector misroutes agent sessions because its label space lacks an agent class. On our controlled benchmark, an MLP binary classifier misclassifies 39.1% of real AI agents as human and a SAINT binary transformer misclassifies 34.5%; adding an explicit agent class yields per-class agent F1 = 1.000 in all 30 runs (3 model families $\times$ 10 seeds). To measure evasion resistance, we
提出三类别检测框架识别真人、机器人和AI代理，解决现有二元检测模型的混淆问题。
- 核心方法
- 构建了三类检测框架，通过增加AI代理类别来优化模型架构，实验使用MLP和SAINT模型在控制基准上验证了该方法的有效性。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 传统二元检测模型无法有效区分通过浏览器自动化访问网络的AI代理，从而导致高误分类率。
- 关键实验
- 在控制基准上，MLP二元分类器将39.1%的真实AI代理误分类为人类，SAINT二元变压器将34.5%的AI代理误分类；加入AI代理类别后，所有30次实验中（3种模型家族×10个随机种子）对AI代理的F1分数均为1.000。
- 主要贡献
- 首次提出了区分人类、机器人和AI代理的三类别检测框架，并证明了模型结构对检测AI代理的重要性。
- 意义与局限
- 该研究为解决AI代理检测问题提供了新的思路和方法，有望提高网络流量管理系统的准确性和可靠性。然而，该研究仅在控制环境中测试，真实环境下的表现仍有待验证。